考文字拿 92.7%，換成看圖只剩 76.9%——而這週從愛丁堡送來的證據說，從病歷裡掉出去最快的是病人本人

9 月 3 日，愛丁堡大學 Lucas Seuren、Robin Williams、Kathrin Cresswell 等人在 BMJ Digital Health & AI（2 卷 1 期，DOI 10.1136/bmjdh-2026-000091）發表以 NASSS 框架進行的回顧，檢索 Embase、PubMed、Scopus 至 2026 年 3 月 20 日，納入 27 篇文獻、其中 13 篇為實證研究。校方 9 月 4 日的新聞稿指出，英國已有約 40% 的一般科醫師在使用環境式抄寫員。

迄今幾乎所有抄寫員研究量的都是「醫師省了幾分鐘」。這篇把量尺換掉：病歷是醫病互動共同生產的東西，而模型只吃得到聲音。臉部表情、手勢、情緒狀態不進入文字流；病人在知道被錄音時，對物質使用、家暴、心理健康的揭露會退縮；手寫本身是一種處理資訊的認知動作，交出去等於認知卸載——回顧引述的臨床醫師說，他們回診時認不出自己的病歷、也想不起這個病人。作者的結論是：環境式抄寫員應該被當成複雜介入來評估，不是生產力工具，需要情境化驗證與長期追蹤。

這是 27 篇文獻的框架式回顧，不是新的前瞻資料，也沒有合併效果量；13 篇實證研究的場域與樣本高度異質。「四成英國家醫」出自新聞稿轉述的外部調查，不是本回顧自己量的數字。

BMJ Digital Health & AI, 2026-09-03 · University of Edinburgh, 2026-09-04 · News-Medical, 2026-09-03

德勒斯登工業大學 Carl Gustav Carus 大學醫院、Else Kröner Fresenius 數位健康中心與 NCT／UCC Dresden 的 Radoynova、Benouis、Middeke、Eckardt 等人，9 月 2 日在 medRxiv 貼出十個前沿模型在 1,477 題 board-style 選擇題上的基準測試。題目取自英國血液學會、美國血液學會與 EBMT 的五個教育題庫，涵蓋九個疾病領域與六個臨床技能面向，兼有純文字與多模態病例。結果：Claude Opus 5 文字 92.7%／多模態 76.9%，Gemini-3.1 Pro 91.4%／78.7%，Gemini-3.6 Flash 91.0%／74.8%，GPT-5.6 Sol 89.9%／76.7%。

血液學的診斷實體有一大半住在影像裡——周邊血片、骨髓抹片、流式細胞圖。一個在文字題上接近 93% 的模型，換到這些東西上只剩四分之三，而那正是這個科真正在做的事。作者另外量到兩件事：準確度與模型規模顯著相關，但這一代的進步幾乎全部發生在開源權重模型身上，閉源模型只有邊際成長；更要緊的是，表現最好的幾個模型「錯題高度一致」——它們在困難題上共享同一批盲點。這直接否定了最常見的臨床風險緩解法：多問一個模型當第二意見。作者自己的結論是持續的 expert-on-the-loop 監控無可取代。

前印本，未經同儕審查。選擇題不是臨床決策：題目給了選項、沒有病史缺漏、沒有時間壓力、沒有不確定的檢驗結果。教育題庫長期公開，落進訓練資料的機率不低，文字題的高分可能有一部分是記憶而非推理。各模型分數取自摘要頁，本報未取得完整補充資料表。

medRxiv 2026.09.01.26361881, 2026-09-02

墨爾本 Victorian Institute of Technology 的 Azwad Raza Chowdhury 與 CQUniversity Australia 的 Bushra Chowdhury，9 月 2 日在 medRxiv 貼出一份標準化情境評估：45 個 Semigran 臨床情境（15 急診、15 非急症、15 自我照護），比對澳洲政府的 Healthdirect 與 ChatGPT、Claude、Gemini 的六種設定（免費與付費層各三）。Healthdirect 分流準確率 48.9%（95% CI 35.0–63.0）、Cohen's kappa 0.233、急症敏感度 46.7%、出現 2 次關鍵漏判；LLM 為 73.3–86.7%、kappa 0.600–0.800、急症敏感度 80.0–86.7%，270 次評估中關鍵漏判 0 次（95% CI 0–1.4%）。付費訂閱沒有帶來可辨識的安全性提升。

被比下去的那一方不是隨便一個 App，是澳洲政府經營、被當成公共衛生基礎設施、由護理師電話線在背後撐著的官方入口。而 LLM 犯錯時的方向也值得注意：它們的低估幾乎都是把該自我照護的人推去看家醫，而不是把該去急診的人留在家裡——錯得比較貴，但不比較危險。作者明說這些結果應該進入「LLM 是否該與既有症狀檢查服務整合」的法規討論。

45 個情境、270 次評估，Healthdirect 準確率的信賴區間寬達 28 個百分點，兩端都可能。Semigran vignettes 是 2015 年公開的題庫，幾乎確定在訓練資料裡——這是 LLM 這一側最大的疑慮。情境不是病人：沒有含糊的主訴、沒有中途改口、沒有不會描述症狀的人。單一國家、單一官方產品、單一次評估，前印本未經同儕審查。

medRxiv 2026.09.01.26361908, 2026-09-02

《Radiology: Artificial Intelligence》八卷五期（2026 年 9 月號）刊出 Radboudumc 診斷影像分析組 Peeters、Obreja、Jacobs 等人主辦的 LUNA25 挑戰賽結果（DOI 10.1148/ryai.260179）。訓練集為 NLST 的 4,069 次 CT，測試集是 DLCST、NELSON、MILD 三個歐洲篩檢試驗中的 468 顆未定性結節（156 惡性、312 良性），另有 75 位放射科醫師讀 300 顆結節的讀片研究。作者公開版摘要載明，表現最好的 AI 系統 AUC 0.78（95% CI 0.73–0.84，p<0.001），醫師平均 0.69；在相同特異度下多抓出 12% 的惡性病灶，在相同敏感度下少 20% 偽陽性。同期並刊出 Farina 與 Szarf 8 月 5 日的評論。

大多數「AI 勝過醫師」的標題來自回溯性資料集與寬鬆的比較設計。LUNA25 不是：隱藏測試集、Docker 容器提交、同一批結節、同一群人類、預先註冊的讀片研究。而且它挑的是最貴的那一段——未定性結節。明顯的惡性與明顯的良性都不是問題，把 312 顆良性結節送去追蹤、切片甚至開刀才是所有肺癌篩檢計畫真正流血的地方。「同敏感度下少 20% 偽陽性」換算成計畫尺度，是幾千次不必要的追蹤與手術。

挑戰賽的最佳演算法不是任何一件上市產品，沒有取得任何一國的醫材許可。讀片醫師是在人工情境下作答——沒有病史、沒有前片、沒有臨床脈絡，這對人類這一側不利，而真實診間裡放射科醫師手上有這些東西。訓練集全部來自 NLST（美國重度吸菸者世代），測試集全部來自歐洲試驗，非吸菸者與亞洲族群的代表性都不明。《Radiology: AI》正文與評論全文在付費牆後，本報數字取自作者公開版摘要與挑戰賽官網。

Radiology: Artificial Intelligence 8(5), 2026-09 · Radboudumc DIAG

同一期還有史丹佛急診醫學與放射科、哈佛生醫資訊系 Silva、Tang、Chiacchia、Zhang、Langlotz、Kim 的模擬研究（7 月 22 日上線，DOI 10.1148/ryai.260110）。他們用 313,966 次急診就診（2020 年 8 月–2024 年 8 月）訓練一個梯度提升模型，在下單當下預測這次 CT 是否具臨床可行動性，再以離散事件模擬比較先進先出與 AI 排序，樣本為 2024 年 3 至 8 月的 20,795 次檢查。7,637 次可行動檢查（36.73%）的中位等待時間減少 10.75 分鐘（95% CI −12.40, −9.10），第 90 百分位減少 43.36 分鐘（−50.58, −36.80），60 分鐘內完成的比率從 48.33% 升到 57.30%。模型取得理論最大效益的 80–87%。

這是目前最容易通過院內治理的一類 AI 介入，因為它不碰判讀。模型不說這張片子有什麼，只說這張片子該排在誰前面；判讀責任、法律歸屬、醫材分類全部不動，也不需要新硬體。放在今天其他六則的脈絡裡看，這幾乎是一個反命題：當所有人都在爭論模型的診斷準確率該用什麼標準驗證時，這篇證明只要把預測用在調度上，效益就繞過了整個驗證僵局。

這是離散事件模擬，不是前瞻實施；真實急診的排程受人力、機台、病人動線牽制，模擬取不到。等待時間也不是臨床結果，沒有人量到死亡率、住院天數或處置改變。而且效益不是憑空生出來的——非可行動檢查的中位等待雖然也少了 5.80 分鐘，第 90 百分位卻增加 14.46 分鐘，也就是有一群病人被排到更後面去了。單一學術醫學中心資料，外推性未驗證。

Radiology: Artificial Intelligence 8(5), 2026-07-22

大阪公立大學醫學研究科人工智慧學部門的 Shannon Walston、Hirotaka Takita、Yasuhito Mitsuyama、Junya Sato 與通訊作者 Daiju Ueda，在《European Radiology》發表掃描式回顧（DOI 10.1007/s00330-026-12652-y），涵蓋 142 家廠商的 252 個商用 AI 產品與 545 篇驗證研究；本週經 News-Medical（9/2）與 Medical Xpress 進入新聞循環。只有 14%（77/545）提供性別、年齡或種族／族裔的分層表現。81% 記錄了病人性別，卻只有 16% 給出分性別效能；14% 有分年齡層，其中僅 51%（40/79）附上各組人數；種族／族裔最低，只有 8%（45 篇）提及，其中僅 18%（8/45）同時給出人口學與效能指標。骨骼（88 篇中 23%）與肺部（139 篇中 22%）影像最常提供分層資料；約 67% 的結核偵測資料集在性別次族群統計上功效不足。時序分析顯示沒有隨時間改善，有無廠商資助也沒有差別。

今天前五則都在回答「模型贏了誰」。這一則回答的是另一個問題：我們有沒有能力知道它會在誰身上輸。答案是，對於已經在市場上賣、已經拿到許可、已經在讀真人片子的 252 個產品，八成六的驗證文獻答不出來。而「沒有隨時間改善」這一點特別難看——這代表過去幾年所有關於 AI 公平性的討論、指引與檢核表，沒有改變廠商實際寫進論文裡的東西。

僅限放射科、僅限已上市產品，不涵蓋病理、心電圖或臨床決策支援。作者自陳資料萃取由單一作者完成，可能引入選擇偏誤；研究也沒有比較各產品之間的效能差異，更沒有測量臨床採用率。文章線上發表日期是 2026 年 6 月 12 日，本週是新聞覆蓋而非新發表——列在這裡是因為它是今天其他六則的共同前提。

European Radiology, 2026-06-12 · News-Medical, 2026-09-02

歐洲心臟學會 8 月 27 日的新聞稿預告了 ESC Congress 2026（慕尼黑，8/28–31）上的一項研究：以色列 Sheba 醫學中心與特拉維夫大學的 Viana Copeland 團隊，用 29,921 名女性、97,364 次乳房攝影（中位年齡 54 歲）訓練深度學習模型，從乳攝影像辨識高血壓（盛行率 16%，AUROC 0.79）、缺血性心臟病（2.5%，0.78）與中風（2.5%，0.86）。ESC 另行公布本屆為史上最大，近 34,000 名專業人士、170 國參與，逾 180 篇研究同步在各期刊發表（ESC）。

機會性篩檢是目前最省錢的一種 AI 應用：影像已經拍了、輻射已經吃了、預約已經排了，模型只是把原本沒人看的訊息讀出來。Copeland 自己的說法是「因為乳攝已被廣泛使用，分析同一批影像取得心血管資訊，有機會在不增加額外檢查的情況下規模化」。乳房動脈鈣化與心血管風險的關聯已有多年文獻，但這次量的是三個明確的疾病終點、樣本近三萬人。

會議摘要，尚未見同儕審查全文；本報數字全部取自 ESC 官方新聞稿，未取得原始摘要表。單一醫學中心的回溯資料。而且 AUROC 衡量的是「辨識出已有診斷的人」，不是前瞻預測未來事件——這兩件事在臨床意義上差很遠。在 2.5% 的盛行率下，AUROC 0.86 的陽性預測值可能低得驚人，而新聞稿沒有公布。

European Society of Cardiology, 2026-08-27